論文の概要: RANSIC: Fast and Highly Robust Estimation for Rotation Search and Point Cloud Registration using Invariant Compatibility

• arxiv url: http://arxiv.org/abs/2104.09133v1
• Date: Mon, 19 Apr 2021 08:29:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-21 00:19:50.202656
• Title: RANSIC: Fast and Highly Robust Estimation for Rotation Search and Point Cloud Registration using Invariant Compatibility
• Title（参考訳）: ransic:不変互換性を用いたローテーション探索とポイントクラウド登録の高速かつ高堅牢な推定
• Authors: Lei Sun
• Abstract要約: 対応に基づく回転探索と点雲登録は、ロボット工学とコンピュータビジョンの基本的な問題である。 本稿では、乱数サンプリングと不変性と互換性を組み合わせた新しいパラダイムに基づいて、両問題に適用可能な高速かつ高堅牢なRANSICを提案する。 複数の合成および実実験において、RANSICは高速で95%以上のアウトレーヤに対して頑健であり、また、インレーヤの約100%をリコールでき、ローテーション探索とポイントクラウド登録の問題の両方において、他の最先端の解法よりも優れていることを示した。
• 参考スコア（独自算出の注目度）: 6.8858952804978335
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Correspondence-based rotation search and point cloud registration are two fundamental problems in robotics and computer vision. However, the presence of outliers, sometimes even occupying the great majority of the putative correspondences, can make many existing algorithms either fail or have very high computational cost. In this paper, we present RANSIC (RANdom Sampling with Invariant Compatibility), a fast and highly robust method applicable to both problems based on a new paradigm combining random sampling with invariance and compatibility. Generally, RANSIC starts with randomly selecting small subsets from the correspondence set, then seeks potential inliers as graph vertices from the random subsets through the compatibility tests of invariants established in each problem, and eventually returns the eligible inliers when there exists at least one K-degree vertex (K is automatically updated depending on the problem) and the residual errors satisfy a certain termination condition at the same time. In multiple synthetic and real experiments, we demonstrate that RANSIC is fast for use, robust against over 95% outliers, and also able to recall approximately 100% of the inliers, outperforming other state-of-the-art solvers for both the rotation search and the point cloud registration problems.
• Abstract（参考訳）: 対応に基づく回転探索と点雲登録は、ロボット工学とコンピュータビジョンの2つの基本的な問題である。 しかし、アウトリアーの存在は、しばしば仮定された対応の大部分を占めることさえあり、既存のアルゴリズムの多くを失敗させるか、非常に高い計算コストを持つかのどちらかにすることができる。 本稿では,ランダムサンプリングと不変性と不変性を組み合わせた新しいパラダイムに基づいて,両問題に適用可能な高速かつ高堅牢な手法であるransic(random sampling with invariant compatibility)を提案する。 一般に、ransicは対応集合から小さな部分集合をランダムに選択することから始まり、各問題で確立された不変量の互換性テストを通じてランダムな部分集合からグラフの頂点としてポテンシャルのイリアーを求め、最終的に少なくとも1つのk度頂点(kは問題に応じて自動的に更新される)が存在し、残差エラーが同時に特定の終了条件を満たす場合に、対応するイリアーを返す。 複数の合成および実実験において、RANSICは高速で95%以上のアウトレーヤに対して頑健であり、また、インレーヤの約100%をリコールでき、ローテーション探索とポイントクラウド登録の問題の両方において、他の最先端の解法よりも優れていることを示した。

関連論文リスト

• Error Feedback under $(L_0,L_1)$-Smoothness: Normalization and Momentum [56.37522020675243]
  機械学習の幅広い問題にまたがる正規化誤差フィードバックアルゴリズムに対する収束の最初の証明を提供する。 提案手法では,許容可能なステップサイズが大きくなったため,新しい正規化エラーフィードバックアルゴリズムは,各種タスクにおける非正規化エラーよりも優れていた。
  論文  参考訳（メタデータ） (2024-10-22T10:19:27Z)
• Best Arm Identification with Fixed Budget: A Large Deviation Perspective [54.305323903582845]
  我々は、様々な武器の報酬間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。 特に、様々な武器の報酬の間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。
  論文  参考訳（メタデータ） (2023-12-19T13:17:43Z)
• Optimal Clustering with Bandit Feedback [57.672609011609886]
  本稿では,バンディットフィードバックを用いたオンラインクラスタリングの問題点について考察する。 これは、NPハード重み付きクラスタリング問題をサブルーチンとして解決する必要性を回避するための、シーケンシャルなテストのための新しい停止規則を含む。 合成および実世界のデータセットの広範なシミュレーションを通して、BOCの性能は下界と一致し、非適応的ベースラインアルゴリズムよりも大幅に優れることを示す。
  論文  参考訳（メタデータ） (2022-02-09T06:05:05Z)
• Practical, Fast and Robust Point Cloud Registration for 3D Scene Stitching and Object Localization [6.8858952804978335]
  3Dポイントクラウドの登録は、リモートセンシング、フォトグラメトリー、ロボティクス、幾何学的コンピュータビジョンの基本的な問題である。 極端外れ率のポイントクラウド登録問題に対して,VOCRAという新しい高速かつ高堅牢なソリューションを提案する。 我々の解法VOCRAは99%以上の外れ値に対して堅牢であり、最先端の競合よりも時間効率が高いことを示す。
  論文  参考訳（メタデータ） (2021-11-08T01:49:04Z)
• DANIEL: A Fast and Robust Consensus Maximization Method for Point Cloud Registration with High Outlier Ratios [6.8858952804978335]
  対応ベースのポイントクラウドの登録は、コンピュータビジョン、ロボティクスの知覚、フォトグラム、リモートセンシングの基盤となっている。 現在の3Dキーポイントマッチング技術は、おそらく非常に多くの場合において、外れ値が得られる傾向にある。 本稿では, DANIEL という新しい時間効率RANSAC型コンセンサス解法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T08:27:00Z)
• Finding Geometric Models by Clustering in the Consensus Space [61.65661010039768]
  本稿では,未知数の幾何学的モデル,例えばホモグラフィーを求めるアルゴリズムを提案する。 複数の幾何モデルを用いることで精度が向上するアプリケーションをいくつか提示する。 これには、複数の一般化されたホモグラフからのポーズ推定、高速移動物体の軌道推定が含まれる。
  論文  参考訳（メタデータ） (2021-03-25T14:35:07Z)
• IRON: Invariant-based Highly Robust Point Cloud Registration [6.8858952804978335]
  本稿では,多量の外れ値を持つ点クラウド登録のための非最小かつ高ロバストな解を提案する。 IRONは効率が高く,精度が高く,99%のアウトレーヤに対して堅牢であることを示す。
  論文  参考訳（メタデータ） (2021-03-07T13:46:56Z)
• ROBIN: a Graph-Theoretic Approach to Reject Outliers in Robust Estimation using Invariants [30.19476775410544]
  外乱は典型的には誤ったデータアソシエーションや特徴マッチングの結果である。 頑健な推定に対する現在のアプローチは、多くの外れ値が存在する場合、正確に見積もることができない。 本稿では, プルー・アウトレーヤへのアプローチについて述べる。
  論文  参考訳（メタデータ） (2020-11-07T02:09:33Z)
• Learning to Accelerate Heuristic Searching for Large-Scale Maximum Weighted b-Matching Problems in Online Advertising [51.97494906131859]
  バイパルタイトbマッチングはアルゴリズム設計の基本であり、経済市場や労働市場などに広く適用されている。 既存の正確で近似的なアルゴリズムは、通常そのような設定で失敗する。 我々は、以前の事例から学んだ知識を活用して、新しい問題インスタンスを解決するtextttNeuSearcherを提案する。
  論文  参考訳（メタデータ） (2020-05-09T02:48:23Z)
• Quasi-Newton Solver for Robust Non-Rigid Registration [35.66014845211251]
  データフィッティングと正規化のための大域的スムーズなロバスト推定器に基づくロバストな非剛性登録のための定式化を提案する。 本稿では,L-BFGS を用いた最小二乗問題の解法に,各繰り返しを減らし,最大化最小化アルゴリズムを適用した。
  論文  参考訳（メタデータ） (2020-04-09T01:45:05Z)
• The Simulator: Understanding Adaptive Sampling in the Moderate-Confidence Regime [52.38455827779212]
  エミュレータと呼ばれる適応サンプリングを解析するための新しい手法を提案する。 適切なログファクタを組み込んだトップk問題の最初のインスタンスベースの下位境界を証明します。 我々の新しい分析は、後者の問題に対するこの種の最初のエミュレータであるベストアームとトップkの識別に、シンプルでほぼ最適であることを示した。
  論文  参考訳（メタデータ） (2017-02-16T23:42:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。